连锁销售决策支持系统解决方案研究

摘 要 数据仓库、联机分析处理、数据挖掘技术的结合是决策支持系统研究的主流模式，其中数据仓库用于数据的存储管理，联机分析处理集中于数据的多维分析，数据挖掘则致力于知识发现。本文在数据仓库、联机分析处理、数据挖掘技术的支持下，提出了连锁销售决策支持系统解决方案，即数据仓库＋联机分析处理＋数据挖掘→决策支持系统。

关键词 数据仓库；联机分析处理；数据挖掘；连锁销售决策支持系统

0引言

连锁销售是指流通领域中若干个同行业商店，以共同进货、共同经营同类商品、共享经营理念的方式连结起来，在同一商业形象下共享规模效益的一种经营模式。要想在竞争中取胜，获得更大的收益，必须利用网络、数据仓库等计算机技术，深层次地挖掘、分析当前和历史的业务数据，以及相关的环境数据，自动快速地获取其中有价值的决策信息，为企业提供快速、准确和方便的决策支持服务^[1]。

数据仓库（DW）、联机分析处理(OLAP)、数据挖掘（DM）是20世纪90年代中期发展起来的计算机决策支持技术，现在已经被各行各业，各种领域广泛应用，成为继Internet之后信息科学界的热点研究课题。连锁销售决策支持系统（CSDSS）就是将三者无缝联接、深度结合，充分利用连锁销售企业内部积累的海量数据，挖掘有价值的知识和规则，将客观详实的数据信息和企业决策者宝贵的自身经验结合起来，支持企业决策的制定。

1连锁销售决策支持系统解决方案

1.1 解决方案

通过对销售计划和业绩的完成情况及有关环境数据进行多角度多层次的分析，发现在连锁经营战略和策略研究上投入巨大精力，将有利于提高连锁总部的经营水平。连锁销售决策支持系统研究可以使连锁经营决策者及时掌握销售内部的运行情况和发展趋势，并对制定销售计划和长远规划提供理论指导，提高企业的管理水平和竞争优势^[2]。

DW＋OLAP＋DM→DSS架构，是一种新型的DSS系统解决方案，其中数据仓库用于数据的存储和组织，OLAP集中于数据的分析，数据挖掘则致力于知识的自动发现。

1.2 方案特点

新型DSS架构是以原始数据库中储存的业务数据为基础，原始数据来源于多个超级市场采集的销售数据。多个超市实现连锁经营，采用扫描记帐技术和常客程序，为超市经营者提供生意和顾客的丰富信息。扫描记帐提供关于产品流动的数量和时间的细节信息，可以精确到单个物种和分钟。常客程序可以提供实际购物者的详细信息，该方案具有以下主要技术特点：

①在底层的数据库中保存了大量的事务级细节数据，这些原始数据是整个DSS系统的数据源泉。

②数据仓库对底层数据库中的事务级数据进行集成、转换、综合，重新组织成面向全局的数据视图，仓库数据是DSS系统进行数据组织和存储管理的基础。

③OLAP从数据仓库中的集成数据出发，构建面向分析的多维数据集市，再使用多维透视工具以不同的视角对多维数据集市数据进行分析、比较、综合，把方法驱动转变为数据驱动，使分析方法和数据结构实现分离。

④数据挖掘以数据仓库和多维数据集市中集成数据为基础，发现数据中潜在的知识、模式，并以这些知识、模式为基础进行市场预测。

1.3 系统体系结构

连锁销售决策支持系统在总体上分为三层，包括数据获取层、数据存储层、数据访问层。连锁销售决策支持系统的体系结构如图1所示。

其中数据获取层是将原有的销售业务数据进行清洗、加工、整理、抽取后载入数据仓库，然后基于销售业务、管理的需要在数据仓库的基础上创建多维数据集市，形成数据存储层。数据仓库、多维数据集市中蕴含的信息可以在数据访问层中应用报表、OLAP、数据挖掘等可视化工具向DSS系统使用人员展现数据信息。

1.4 核心技术

该设计方案首先将决策支持系统按功能划分为多个模块，然后在保证每个模块功能独立性基础上，对每个模块进行独立开发、编译、调试，最后组成一个完整的应用系统程序。各模块之间通过接口进行交互，数据访问接口采用COM组件技术，其中包括ADO（ActiveX Data Objects）、ADO MD（ActiveX Data Objects Multidimensional）、DSO（Decision Support Objects）等对象模型。

2 数据仓库构建

数据仓库是面向主题的、集成的、具有时间序列特征的数据集合，用以支持决策制定^[3]。连锁销售数据仓库是在原始交易数据的基础上，根据主题分析需要，确定数据仓库多维模型，从而对销售数据进行必要的抽取、清理和变换，然后载入数据仓库。

2．1 数据源 连锁销售数据仓库数据来源于多个超级市场采集的销售数据。由于人为因素或系统的不稳定因素，有时会出现空值和噪声数据。这时需要对数据进行预处理，即对数据的清洗，包括填写空缺值，平滑噪声数据，识别删除孤立点。

2．2概念模型

通过对连锁销售企业的应用需求分析，确定以销售业绩分析为主题，以客户、连锁店、商品、时间、年龄段为数据仓库索引基准点。以上索引基准点可以作为连锁销售数据仓库的维度。

2．3逻辑模型

连锁销售数据仓库的逻辑模型具有一个事实表和五个维度，事实表为销售事实表，维度表分别为客户、连锁店、商品、时间、年龄段，每个维度可以具有不同的粒度级别。在时间维表中，粒度级别分为日、月、季度、年4个级别。连锁销售数据仓库共包含1个事实表和5个维度表。如图2所示。

2．4物理模型

数据仓库的物理模型创建是依据已确立的逻辑模型建立相对应的物理表结构来实现的，它是以SQL Server 2000 DBMS为平台，采用星型雪花型数据模型，实现了事实表和维度表的创建。

3 OLAP联机分析

OLAP是一种数据分析处理技术，是针对特定主题进行的联机数据访问分析。OLAP通过对海量数据的多维透视，并进行快速、稳定的互动存取，使决策人员对数据进行深入观察，从而为管理者提供决策支持。OLAP联机分析的数据基础是数据仓库或数据集市，数据集市是微型数据仓库，是面向企业部门级别的分析需求而建立的一种分析型环境，它能够快速地解决某些具体的问题^[4]。

OLAP数据集市是在连锁销售数据仓库基础上创建的，使用的工具是微软的Analysis Services工具。设置共享维有客户、商品、时间、连锁店、年龄组，私有维有会员卡、婚姻状况、教育程度、年收入、时间段、性别。在共享维和私有维基础上设计了4个多维数据集市，分别是产品统计、购物人次，客户统计、销售业绩数据集市。OLAP联机分析功能：

（1）商品促销

通过对产品统计数据集市的多维分析，可以获取不同连锁店所出售的商品数量和种类的异同，可以比较那个连锁店，那种商品最畅销，进而对最畅销商品的连锁店进行商品优化配送，增加畅销商品的储存量，同时开展促销活动，进行一定程度的让利销售，实现商品促销。

（2）客户分群

通过对客户统计数据集市的多维分析，可知在哪个连锁店、哪个时间段、哪个年龄组客户消费额度最大，则该人群为易购人群，那么针对这个消费群体所在的年龄组，所喜欢的时间段以及消费习惯提供优质服务，优化商品配置，进行广告宣传。

（3）销量统计

通过对销售业绩数据集市的多维分析，建立销售预测模型，使决策人员能够针对每一种商品、每一类别的商品、每个分店销售情况、年、季、月、日商品的市场占有率、赢利情况进行分析预测，对每一员工进行销量统计、销售业绩分析。

4 数据挖掘

数据挖掘是CSDSS系统的重要功能，是根据连锁销售的既定业务目标和存在的问题，对大量的销售数据进行探索，揭示其中隐藏的规律，并将其模型化，指导并应用于实际的销售经营中^[5]。数据挖掘功能：

（1）购买力预测

运用回归分析功能，可以预测客户的购买力，明察市场趋势获得战略优势，深挖客户资源，对诚信度高、购买力强、具有一定消费潜力的客户在购买商品时可以分期付款，实施人性化服务，这样可以有助于减少成本，把握商机，吸引优质客户资源^[6]。

（2）挖掘潜在客户

会员制可以固定客户群，但是潜在客户还是存在的。一个会员卡可以有多次交易，如果交易频率过高，那么会员卡肯定外借，持卡人的周围隐藏着潜在客户，由此可以开发客户群。若在一段时间内，某个会员卡没有交易，则该客户可视为遗失客户。可采取相应的优惠政策，尽量留住客户。

（3）优化物流配送路径

在连锁超市管理中，各连锁店商品均由配送中心统一配送。配送中心根据各连锁店所需商品的品种和数量，均衡考虑各客户请求，制定配送计划，用神经网络算法规划连锁店货物配送路径，再经过调拨指令程序处理，确定最佳配送路线，将商品送往各连锁店。

5 结束语

实践证明，采用DW+OLAP+DM 框架结构的决策支持系统是比较理想和完善的架构。该系统功能齐全、性能稳定，数据仓库、联机分析、数据挖掘技术链接自如，能对数据进行快速准确分析，从而帮助管理者做出更好的商业决策，为企业带来竞争优势。但是决策不能仅凭一套系统分析就能制定，应该加上决策者的经验和智慧，以及对市场的敏锐洞察力，这样才能在销售市场运作中游刃有余。

参考文献

[1]王珊. 数据仓库技术与联机分析处理[M]. 北京:科学出版社. 1998

[2]邵玉祥. 连锁销售决策支持系统的研究与开发.[硕士学位论文]武汉：武汉理工大学.计算机应用技术专业.2003

[3][美]Efrem G.Mallach著.李昭智，李昭勇等译.决策支持与数据仓库系统[M]. 北京：电子工业出版社.2001

[4][美]William C.Amo著.SQL Server OLAP Developer’s Guide[M].Beijing: Publishing House of Electronics Industry. 2000

[5]冯文权，茅奇.经济预测与决策技术[M].湖北：武汉大学出版社.2002

[6]常兆光，王清河等.随机数据处理方法[M].山东：石油大学出版社.2000